本文探讨了部分可观测马尔可夫决策过程（POMDP）的近似方法及其性质，研究了优化策略以最大化期望奖励的有效算法，并展示了这些方法在代理导航等领域的应用潜力。

本文探讨了部分可观测马尔可夫决策过程（POMDP）的近似方法及其性质，提供了自主代理在不完全信息环境下的规划解决方案。研究表明，基于多模式信念的策略和POMDP-lite模型在机器人任务中表现优越，并提出了有效的启发式算法以降低计算复杂度。

该文综述贝叶斯网络中最可信赖实例化与MAP推理的计算复杂性及近似方法，涵盖NP完全性、置信传播、模拟退火、变分框架、概率逻辑编程和神经网络推理，并探讨其在图像模型、模型预测控制及行为经济学中的应用。

该文综述多种神经网络二阶优化方法，包括K-FAC（高效逆近似逼近Fisher矩阵，适合随机优化）、Jorge（省去矩阵求逆，兼顾二阶收敛与一阶效率）、近端牛顿法、Kronecker对角方差近似、NeuralIF（图神经网络求解线性方程组）、GGT自适应正则化、分块对角高斯-牛顿近似及KrAD矩阵分解等，这些方法在效率或收敛性上优于传统方法。

机器遗忘技术旨在从已训练模型中移除特定数据的影响，兼顾隐私与公平。研究涵盖精确与近似方法、攻击与验证，并提出性能感知、任务感知、投影梯度及基于牛顿迭代等算法，无需重训即可高效删除数据，计算成本与特征维度线性相关，效果接近重训，同时探讨公平性与差分隐私保障。